Образ на мозъка, машинно обучение може да помогне за прогнозиране на риска от психични заболявания

Изследователите комбинират данни за изображения на мозъка и суперкомпютри, за да идентифицират модели в данните за невроизображение, които могат да помогнат да се предскаже риск от психични разстройства като депресия или деменция.

Депресията засяга повече от 15 милиона възрастни американци, или около 6,7% от населението на САЩ, всяка година. Това е водещата причина за увреждане за хората на възраст между 15 и 44 години.

Д-р Дейвид Шниер, когнитивен невролог и професор по психология в Тексаския университет в Остин, каза, че способността да се предсказва риск от психични заболявания не е проста работа.

Той използва суперкомпютър, за да обучи алгоритъм за машинно обучение, който може да идентифицира общите черти сред стотици пациенти, като използва мозъчни сканирания с магнитно резонансно изображение (ЯМР), геномни данни и други важни фактори, за да предостави точни прогнози за риска за тези с депресия и тревожност .

Изследователите отдавна са изучавали психични разстройства, като изследват връзката между мозъчната функция и структурата в данните за невровизуализация.

„Една трудност с тази работа е, че тя е предимно описателна. Може да изглежда, че мозъчните мрежи се различават между две групи, но това не ни казва за това какви модели всъщност предсказват в коя група ще попаднете “, каза Шниер.

„Търсим диагностични мерки, които да предсказват резултати като уязвимост към депресия или деменция.“

През 2017 г. Schnyer, работещ с изследователи от различни университети, завърши анализ на проучване на доказателство за концепция, което използва подход за машинно обучение, за да класифицира лица с голямо депресивно разстройство с приблизително 75 процента точност.

Съразследващите включиха д-р. Питър Класен (Медицински факултет на Университета във Вашингтон), Кристофър Гонзалес (Калифорнийски университет, Сан Диего) и Кристофър Бийвърс (Тексаски университет, Остин).

Машинното обучение е подполе на компютърните науки, което включва изграждането на алгоритми, които могат да „учат“ чрез изграждане на модел от примерни входове за данни и след това да правят независими прогнози за нови данни.

Изследователите предоставиха набор от примери за обучение, всеки от които бе отбелязан като принадлежащ или на здрави индивиди, или на тези, които са диагностицирани с депресия. Schnyer и неговият екип обозначават функции в техните данни, които са значими, и тези примери са използвани за обучение на системата.

След това компютър сканира данните, намери фини връзки между различни части и изгради модел, който приписва нови примери на едната или другата категория.

В проучването Schnyer анализира мозъчни данни от 52 участници, търсещи лечение с депресия, и 45 участници в контрола на здравето. За да сравнят групите, те съпоставиха подгрупа от депресирани участници със здрави индивиди въз основа на възраст и пол, довеждайки размера на извадката до 50.

Участниците получиха ядрено-магнитен резонанс с дифузионно тензорно изображение (DTI), който маркира водни молекули, за да определи степента, до която тези молекули се разпространяват микроскопски в мозъка с течение на времето.

Изследователите сравняват получените измервания между двете групи и установяват статистически значими разлики. След това те намалиха включените данни до подмножество, което е най-подходящо за класификация и извършиха класификацията и прогнозирането, използвайки подхода за машинно обучение.

„Храним се с цели мозъчни данни или подгрупа и предсказваме класификации на заболяванията или всякакви потенциални поведенчески мерки, като например мерки за негативна пристрастност на информацията“, казва той.

Проучването разкрива, че мозъчните данни могат точно да класифицират депресирани или уязвими индивиди спрямо здрави контроли. Той също така показа, че прогнозната информация се разпространява в мозъчните мрежи, вместо да бъде силно локализирана.

„Не само се научихме, че можем да класифицираме депресираните спрямо недепресираните хора, използвайки данни от DTI, ние също научаваме нещо за това как депресията е представена в мозъка“, каза Бийвърс, професор по психология и директор на Института за психично здраве Изследвания в Тексаския университет, Остин.

„Вместо да се опитваме да намерим зоната, която е нарушена при депресия, ние научаваме, че промените в редица мрежи допринасят за класификацията на депресията.“

Мащабът и сложността на проблема налага подход за машинно обучение. Всеки мозък е представен от приблизително 175 000 воксела и откриването на сложна връзка между толкова голям брой компоненти чрез разглеждане на сканирането е практически невъзможно.

Поради тази причина екипът използва машинно обучение за автоматизиране на процеса на откриване.

„Това е вълната на бъдещето“, казва Шниер.„Виждаме все по-голям брой статии и презентации на конференция за приложението на машинното обучение за решаване на трудни проблеми в неврологията.“

Резултатите са обещаващи, но все още не са достатъчно ясни, за да се използват като клинична метрика. Schnyer обаче вярва, че чрез добавяне на повече данни, свързани не само с MRI сканиране, но и от геномика и други класификатори, системата може да се справи много по-добре.

„Едно от предимствата на машинното обучение, в сравнение с по-традиционните подходи, е, че машинното обучение трябва да увеличи вероятността това, което наблюдаваме в нашето проучване, да се прилага за нови и независими набори от данни. Тоест, трябва да се обобщи за нови данни “, каза Бийвърс.

„Това е критичен въпрос, който наистина сме развълнувани да тестваме в бъдещи проучвания.“

Източник: Тексаски университет в Остин, Тексаски изчислителен център